CN116264388A - 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 - Google Patents

基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 Download PDF

Info

Publication number
CN116264388A
CN116264388A CN202211677320.1A CN202211677320A CN116264388A CN 116264388 A CN116264388 A CN 116264388A CN 202211677320 A CN202211677320 A CN 202211677320A CN 116264388 A CN116264388 A CN 116264388A
Authority
CN
China
Prior art keywords
model
gru
lightgbm
power load
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211677320.1A
Other languages
English (en)
Inventor
朱重希
胡遨洋
花志伟
李鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd Tongxiang Power Supply Co
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Tongxiang Power Supply Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd Tongxiang Power Supply Co filed Critical State Grid Zhejiang Electric Power Co Ltd Tongxiang Power Supply Co
Priority to CN202211677320.1A priority Critical patent/CN116264388A/zh
Publication of CN116264388A publication Critical patent/CN116264388A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种GRU‑LightGBM模型融合和贝叶斯优化的短期负荷预测方法，通过收集历史负荷数据和对应的环境和电价数据，对数据进行数据清洗和归一化等预处理，对电力负荷预测模型，进行训练从而获得训练好的电力负荷预测模型；根据实时获取的预测时刻的环境和电价数据及历史负荷数据输入电力负荷预测模型即可获得预测时刻的电力负荷预测值。本发明采用基于需求响应进行构建和训练负荷预测模型，考虑天气、电价、节假日、工作日等各类环境因素，有效提取数据的局部特征和时序特征，合理分配特征权重，能够实现对短期负荷的精准预测。

Description

基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测 方法
技术领域
本发明涉及电力负荷预测技术领域，尤其是涉及基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法。
背景技术
负荷的精准预测对电网稳定经济运行具有重要意义，做好电力负荷预测的工作能够在尽可能的兼顾用户用电质量可靠安全、减少发电供电公司运行成本、保障良好社会效益的情况下减少发电备用容量，进而减少了成本，实现电力调度的经济合理性。
神经网络是目前负荷预测中的主流方法，各种神经网络各有其特点，使得不同神经网络对信息的处理方式不同，获得的预测效果也不同，因此，通过合理改进神经网络结构可以达到更高的预测精度。另外，用于预测的特征向量对于模型预测精度同样具有决定性作用，因此如何选择相关数据构建用于预测的特征向量也具有重要的意义。
发明内容
本发明为了提高负荷预测的精度，考虑到需求响应能够对负荷预测进行指导，提供了一种基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法。本发明考虑电价、节假日、工作日、天气、历史负荷数据、输入向量特征权重等因素，利用深度学习和数据挖掘技术，构建了GRU-LightGBM电力负荷组合预测模型，在经过预处理的数据集上实现电力负荷的精准预测。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，包括如下步骤：
步骤S1、获取不同时刻对应的电价、环境温度、湿度、日期属性、电力负荷等特征，对非数字特征进行one-hot独热编码，然后对特征进行归一化作为训练数据；
步骤S2、构建电力负荷预测模型，并利用步骤1获得的训练数据进行训练。其中，电力负荷预测模型的输入为由预测点时刻的电价、预测点时刻的环境温度、预测点时刻的湿度、预测点时刻的日期属性、预测点前一天同时刻的电力负荷值构成的特征向量，输出为电力负荷的预测值。所述电力负荷预测模型的结构为神经网络、决策树等。
步骤S3、获取预测点时刻的电价、预测点时刻的环境温度、预测点时刻的湿度、预测点时刻的日期属性、预测点前一天同时刻的电力负荷值并利用步骤1方法进行处理后作为训练好的电力负荷预测模型的输入，得到电力负荷预测值。
进一步地，所述步骤S1中，还包含对电力负荷数据的清洗步骤，具体为：
采用聚类的方式，取相似度最大的三日数据对应时刻的电力负荷值的均值填补空缺数据。其中，聚类的特征包括电价、环境温度、湿度、日期属性等。
根据历史电力负荷数据的平滑性查找异常数据，并采用前一天同一时刻的值填补异常数据。
进一步地，所述步骤S2中，预测点时刻的电价包含峰时电价、谷时电价和平时电价。所述日期属性包含节假日、工作日和周末，根据节假日和非节假日分类构成一组特征，根据工作日和周末分类构成另一组特征。
进一步地，所述步骤S2中，电力负荷预测模型由GRU模型和LightGBM模型组合构成。其中，GRU模型和LightGBM决策树模型的输入均为由预测点时刻的电价、预测点时刻的环境温度、预测点时刻的湿度、预测点时刻的日期属性、预测点前一天同时刻的电力负荷值构成的特征向量，输出为电力负荷的预测值。并分别利用步骤S1获得的训练数据进行训练，训练完成后再利用训练好的GRU模型和LightGBM决策树模型对步骤S1中的训练数据进行预测并计算每个模型对应电力负荷预测值的MAPE值的比例作为权重初值，并结合双向搜索方法进行优化获得最优权重。将两个模型的输出结合最优权重作为最终的电力负荷预测值。
进一步地，所述GRU模型用于提取静态特征进而时间序列长依赖信息并输出电力负荷预测值。所述GRU模型是LSTM网络的改进模型，其对LSTM的3个门函数进行优化，将遗忘门和输入门集成为单一的更新门，同时混合神经元状态与隐藏状态，可有效的缓解RNN网络中“梯度消失”的问题并缩减LSTM网络单元的参数数量，缩短模型的训练时间，具体为：
GRU单元的数学描述公式如下：
Figure BDA0004017543390000031
式中，xt、ht-1、ht、rt、Zt、
Figure BDA0004017543390000032
yt分别为输入向量、上一时刻的状态记忆变量、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量；Wr、Wz、/>
Figure BDA0004017543390000044
Wo分别为更新门、重置门、候选集、输出向量与xt及ht-1构成的连接矩阵相乘的权重参数；I表示单位矩阵；[]表示向量连接；·表示矩阵点乘；×表示矩阵乘积；σ表示sigmoid激活函数；φ表示tanh激活函数。
σ与φ的数学描述如下所示：
Figure BDA0004017543390000041
Figure BDA0004017543390000042
GRU网络以更新门和重置门为核心模块，输入变量xt与上一时刻的状态记忆变量ht-1的拼接矩阵经sigmoid非线性变换后输入到更新门中，决定上一时刻状态变量被带入到当前状态中的程度。重置门控制上一时刻被写入到候选集的信息量，通过I-zt倍的ht-1存储上一时刻的信息，通过zt倍的
Figure BDA0004017543390000043
记录当前时刻的信息，将二者相加作为当前时刻的输出。
进一步地，所述LightGBM模型采用梯度提升方法进行训练，采用贝叶斯网络优化LightGBM模型的超参数。首先确定模型中主要需要优化的超参数，例如网络模型中学习率、隐藏层层数、各隐藏层的节点数；然后给每一个超参数规定一个可接受的范围，即每个超参数允许的评估范围，依据以往的经验和知识，人类很容易给超参数划定一个合理的范围；然后确定优化的步数，最后得出目前的最优解。
进一步地，利用训练好的GRU模型和LightGBM决策树模型对步骤S1中的训练数据进行预测并计算每个模型对应电力负荷预测值的MAPE值的比例作为权重初值，具体为：
计算对应电力负荷预测值的MAPE值：
Figure BDA0004017543390000051
式中，
Figure BDA0004017543390000052
为预测值，yt,i为对应的t时刻的电力负荷真实值，n为数据的样本数量。MAPE1和MAPE2分别为GRU模型和LightGBM模型的MAPE值。
计算MAPE值的比例作为权重初值：
Figure BDA0004017543390000053
Figure BDA0004017543390000054
式中，ω1和ω2分别为GRU模型和LightGBM模型的权重初值。
进一步地，最终的电力负荷预测值，具体表示为：
Figure BDA0004017543390000055
ωCNN-LSTM和ωLightGBM分别为GRU模型和LightGBM模型的最优权重值，yt,c为最终的电力负荷预测值。
因此，本发明的优点是：
1.本发明提出了GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，将不同时刻的电价数据作为输入特征，进行电力负荷预测，结果表明考虑了电价后能够有效提高预测精度。
2.本发明提供的GRU-LightGBM模型融合和贝叶斯优化的短期电力负荷预测方法，同时还设计了一种负荷预测模型，该模型由GRU网络与LightGBM模型组合而成。
3.本发明提供的GRU-LightGBM模型融合和贝叶斯优化的短期电力负荷预测方法，利用平均绝对百分误差MAPE评价指标比较GRU与LGBM的预测精度，MAPE评价指标是统计领域中衡量模型预测准确度的常用指标，它不仅考虑预测值与真实值的误差，还考虑了误差与真实值之间的比例。使用MAPE-RW算法对模型进行组合，得到模型最优权重值，使组合模型相对单独的模型而言都有效提高了预测精度。
4.本发明采用基于需求响应和GRU-LightGBM模型融合和贝叶斯优化的负荷预测模型，考虑天气、节假日、工作日等其他各类环境因素，有效提取数据的局部特征和时序特征，合理分配特征权重，能够实现对短期负荷的精准预测。
附图说明
图1为基于GRU-LightGBM组合模型预测流程图；
图2为GRU模型在测试集上的预测曲线；
图3为LightGBM模型在测试集上的预测曲线；
图4为GRU-LightGBM模型在测试集上的预测曲线。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，如图1-图4所示，本发明提供的考虑需求响应的短期电力负荷预测方法，基于GRU模型的电力预测模型，并结合误差反向传播法则实现对参数的最优化求解，且考虑到单一预测模型在预测性能上的不足，同时构建基于决策树梯度提升方法LightGBM的电力负荷预测模型，借鉴boosting集成学习的思想，提升预测准确度。该方法具体包括如下步骤：
步骤S1、根据历史电价与电力负荷数据和相关外部特征数据，提取出不同时刻的电价、温度、湿度、日期属性(节假日/工作日/周末)、电力负荷等特征，对非数字特征进行one-hot独热编码，然后对输入特征进行归一化，并处理成模型需要的张量形式，具体步骤是：
1)选取2006年1月1日至2010年12月31日的澳大利亚电价与电力负荷数据，一共87648条数据，本实施例中，按照8：1：1的比例划分训练集、验证集和测试集，训练集、验证集、测试集数据分别为61084条、8726条和8726条。
2)负荷数据在收集过程中，会出现数据缺失和数据错误的情况，需要对数据进行清洗处理，处理步骤为：
2.1)根据负荷数据的时序性，即一般是连续且平滑的，因此可以通过检查数据的平稳性找出异常数据，然后根据每天同一时刻的值具有相似性，采用前一天同一时刻的值替换异常数据。
2.2)采用聚类的方式，取相似度最大的三天对应时刻的平均值填充缺失数据。
3)构建电力负荷预测模型的输入特征向量，选择特征因子，包括：预测点时刻的峰时电价Ept、谷时电价Evt、平时电价Eot、预测点时刻的温度Tt、预测点时刻的湿度Ht、预测点前一天同时刻的电力负荷值y′t、日期属性等特征因子。其中，根据日期属性为节假日和非节假日、工作日和周末作为两组特征W1t,W2t，在处理时进行离散化操作，工作日和节假日对应特征值取1，非工作日(周末)和非节假日对应特征值取0；对于天气信息，若出现非数字特征，则采用one-hot独热编码的方式进行处理，最后输入特征向量可以表示为xt＝[Ept,Evt,Eot,Tt,Ht,W1t,W2t…y′t]。
4)为了简少后续模型处理的运算量，对输入特征进行归一化处理，采用min-max归一化方法，归一化后的数据范围均在[0，1]之间，计算公式为：
Figure BDA0004017543390000081
式中，θ′为归一化以后的特征的值，包括峰时电价、谷时电价、平时电价、温度、湿度、电力负荷值，节假日和非节假日、工作日和周末等，θ为原始数据中的特征的值，θmax为所有数据中该特征的最大值，θmin为所有数据中该特征的最小值。
步骤S2、构建电力负荷预测模型；本实施例中，分别构建了GRU模型、LightGBM决策树模型和由GRU模型和LightGBM决策树模型组成的组合模型。其中，GRU模型用于提取静态特征进而时间序列长依赖信息并输出电力负荷预测值。所述GRU模型是LSTM网络的改进模型，其对LSTM的3个门函数进行优化，将遗忘门和输入门集成为单一的更新门，同时混合神经元状态与隐藏状态，可有效的缓解RNN网络中“梯度消失”的问题并缩减LSTM网络单元的参数数量，缩短模型的训练时间，具体步骤是：
GRU网络包括GRU隐藏层、Dropout层以及最后的Dense层，GRU具有良好的记忆能力，可以用于学习时间序列长短期依赖信息，在对负荷预测时，从负荷历史数据中寻找规律信息，从而提高预测的准确性。其中，将处理好的数据输入至GRU隐藏层进行特征提取，GRU单元的数学描述公式如下：
Figure BDA0004017543390000091
式中，xt、ht-1、ht、rt、zt、
Figure BDA0004017543390000092
yt分别为输入向量、上一时刻的状态记忆变量、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量；Wr、Wz、/>
Figure BDA0004017543390000099
Wo分别为更新门、重置门、候选集、输出向量与xt及ht-1构成的连接矩阵相乘的权重参数；I表示单位矩阵；[]表示向量连接；·表示矩阵点乘；×表示矩阵乘积；σ表示sigmoid激活函数；φ表示tanh激活函数。
σ与φ的数学描述如下所示：
Figure BDA0004017543390000093
Figure BDA0004017543390000094
GRU网络以更新门和重置门为核心模块，输入变量xt与上一时刻的状态记忆变量ht-1的拼接矩阵经sigmoid非线性变换后输入到更新门中，决定上一时刻状态变量被带入到当前状态中的程度。重置门控制上一时刻被写入到候选集的信息量，通过I-zt倍的ht-1存储上一时刻的信息，通过zt倍的
Figure BDA0004017543390000095
记录当前时刻的信息，将二者相加作为当前时刻的输出，得到电力负荷预测值/>
Figure BDA0004017543390000096
LightGBM决策树模型搭建过程为：将步骤S1预处理后的输入特征向量作为输入矩阵，根据Xgboost方法原理生成M棵弱回归树，得到该M棵弱回归树的输出值之和，即为LightGBM模型的预测值
Figure BDA0004017543390000097
具体表示为：
Figure BDA0004017543390000098
其中，采用梯度提升方法进行训练，采用贝叶斯网络优化LightGBM模型的超参数。通过网格搜索法优化后的主要超参数为：LightGBM模型的弱回归树数量为200、叶子数为80、学习率为0.08、迭代次数为2000。
步骤S3、在两个模型并行完成训练和预测后，结合MAPE-RW算法对模型权重进行计算，作为组合模型的最后的预测值，具体步骤如下：
Figure BDA0004017543390000101
式中，
Figure BDA0004017543390000102
为预测值，yt,i为对应的t时刻的电力负荷真实值，n为数据的样本数量。MAPE1和MAPE2分别为GRU模型和LightGBM模型的MAPE值。
2)MAPE-RW算法对模型权重进行计算的方法为：
首先分别计算GRU模型和LightGBM模型的MAPE值，确定单个模型的权重初始值，然后对最佳权重值进行双向搜索，更快速地确定最优权重，然后计算组合电力负荷预测值，计算公式如下：
Figure BDA0004017543390000103
Figure BDA0004017543390000104
Figure BDA0004017543390000105
式中，ω1和ω2分别为GRU模型和LightGBM模型的权重初始值，ωGRU和ωLightGBM分别为GRU模型和LightGBM模型的最优权重值，yt,c为组合模型的电力负荷预测值。
本实施例中的模型均采用python编程语言实现，基于GRU的电力负荷预测模型使用Pytorch深度学习库实现，基于LGBM的电力负荷预测模型调用lightgbm机器学习库实现，训练的模型硬件环境为Intel Core i5，NVIDIAGeforce RTX 2080Ti。图2是GRU模型在测试集上的预测曲线，由图2可以发现，模型的预测趋势与真实的电力负荷运行趋势基本符合，且在大部分时间段，拟合效果非常好。
图3是LightGBM模型在测试集上的预测曲线，由图3可以发现，模型的预测趋势与真实的电力负荷运行趋势基本符合，且在大部分时间段，拟合效果非常好。
图4是GRU-LightGBM组合模型在测试集上的预测曲线，可以发现，模型的预测趋势与真实的电力负荷运行趋势基本符合，与图2和图3对比可以发现，组合模型的预测曲线更加接近真实负荷曲线，拟合效果最好。
为了进一步比较两种单独模型和组合模型在预测性能上的差异，选择测试集上随机10条数据，利用MAPE评价指标作为预测精度的判断标准。
表1三种模型在部分测试集上的MAPE计算结果
Figure BDA0004017543390000111
表1给出了GRU、LightGBM和GRU-LightGBM组合模型分别进行负荷预测的部分结果，三种模型在完整测试集即8726条数据集的预测结果的MAPE分别为1.95％、2.03％和1.67％；由表1可见，在抽取的10条数据上的MAPE分别为1.98％、1.56％和1.45％，由此可见，组合模型的预测结果更加准确，预测效果最好。
为了对比电价对预测精度的影响，将数据集中的电价特征去除，重复上述实验，使用GRU、LightGBM和GRU-LightGBM组合模型分别进行负荷预测，三种模型在测试集即8726条数据集的预测结果的MAPE分别为2.05％、2.20％和1.82％。
表2有无电价特征的预测结果对比
Figure BDA0004017543390000121
表2给出了GRU、LightGBM和GRU-LightGBM组合模型针对测试集有无电价特征的预测结果对比，可以看出当加入电价特征后，3种模型的预测效果都明显提升，说明本发明提出的考虑需求响应能够有效提高预测精度。
综上所述，本发明提供的基于需求响应和GRU-LightGBM负荷预测模型，考虑天气、电价、节假日、工作日等各类环境因素，能够有效提取数据的局部特征和时序特征，合理分配特征权重，实现了对短期负荷的精准预测。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征在于：包括以下步骤：
S1、获取不同时刻对应的电价、环境温度、湿度、日期属性、电力负荷，对非数字特征进行one-hot独热编码，对特征进行归一化作为训练数据；
S2、构建电力负荷预测模型，用训练数据进行训练；
S3、获取预测点时刻的电价、预测点时刻的环境温度、预测点时刻的湿度、预测点时刻的日期属性、预测点前一天同时刻的电力负荷值，对非数字特征进行one-hot独热编码，对特征进行归一化处理后作为训练好的电力负荷预测模型的输入，得到电力负荷预测值。
2.根据权利要求1所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是所述步骤S1中还包括对电力负荷数据的清洗步骤，具体为：
采用聚类的方式，取相似度最大的三日数据对应时刻的电力负荷值的均值填补空缺数据；其中，聚类的特征包括电价、环境温度、湿度、日期属性。
根据历史电力负荷数据的平滑性查找异常数据，并采用前一天同一时刻的值填补异常数据。
3.根据权利要求1所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是：所述步骤S2中，预测点时刻的电价包含峰时电价、谷时电价和平时电价，所述日期属性包含节假日、工作日和周末，根据节假日和非节假日分类构成一组特征，根据工作日和周末分类构成另一组特征。
4.根据权利要求1所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是所述步骤S2中，电力负荷预测模型由GRU模型和LightGBM模型组合构成；
其中，GRU模型和LightGBM决策树模型的输入均为由预测点时刻的电价、预测点时刻的环境温度、预测点时刻的湿度、预测点时刻的日期属性、预测点前一天同时刻的电力负荷值构成的特征向量，输出为电力负荷的预测值；分别利用训练数据进行训练，训练完成后再利用训练好的GRU模型和LightGBM决策树模型对训练数据进行预测并计算每个模型对应电力负荷预测值的MAPE值的比例作为权重初值，并结合双向搜索方法进行优化获得最优权重；将两个模型的输出结合最优权重作为最终的电力负荷预测值。
5.根据权利要求4所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是所述GRU模型用于提取静态特征进而时间序列长依赖信息并输出电力负荷预测值，具体为：
GRU单元的数学描述公式如下：
Figure FDA0004017543380000021
式中，xt、ht-1、ht、rt、zt、
Figure FDA0004017543380000022
yt分别为输入向量、上一时刻的状态记忆变量、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量；Wr、Wz、/>
Figure FDA0004017543380000033
Wo分别为更新门、重置门、候选集、输出向量与xt及ht-1构成的连接矩阵相乘的权重参数；I表示单位矩阵；[]表示向量连接；·表示矩阵点乘；×表示矩阵乘积；σ表示sigmoid激活函数；φ表示tanh激活函数；
σ与φ的数学描述如下所示：
Figure FDA0004017543380000031
Figure FDA0004017543380000032
GRU网络以更新门和重置门为核心模块，输入变量xt与上一时刻的状态记忆变量ht-1的拼接矩阵经sigmoid非线性变换后输入到更新门中，决定上一时刻状态变量被带入到当前状态中的程度；重置门控制上一时刻被写入到候选集的信息量，通过I-Zt倍的ht-1存储上一时刻的信息，通过zt倍的
Figure FDA0004017543380000034
记录当前时刻的信息，将二者相加作为当前时刻的输出。
6.根据权利要求4所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是所述LightGBM模型采用梯度提升方法进行训练，采用改进贝叶斯网络优化LightGBM模型的超参数，具体为：
确定模型中主要需要优化的超参数；
给每一个超参数规定一个可接受的范围，即每个超参数允许的评估范围；
确定优化的步数，得出目前的最优解。
7.根据权利要求4所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是利用训练好的GRU模型和LightGBM决策树模型对训练数据进行预测并计算每个模型对应电力负荷预测值的MAPE值的比例作为权重初值，具体为：
计算对应电力负荷预测值的MAPE值：
Figure FDA0004017543380000041
式中，
Figure FDA0004017543380000042
为预测值，yt,i为对应的t时刻的电力负荷真实值，n为数据的样本数量，MAPE1和MAPE2分别为GRU模型和LightGBM模型的MAPE值；
计算MAPE值的比例作为权重初值：
Figure FDA0004017543380000043
Figure FDA0004017543380000044
式中，ω1和ω2分别为GRU模型和LightGBM模型的权重初值。
8.根据权利要求4所述的基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法，其特征是最终的电力负荷预测值，具体表示为：
Figure FDA0004017543380000045
ωGRU和ωLightGBm分别为GRU模型和LightGBM模型的最优权重值，yt,c为最终的电力负荷预测值。
CN202211677320.1A 2022-12-26 2022-12-26 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 Pending CN116264388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211677320.1A CN116264388A (zh) 2022-12-26 2022-12-26 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211677320.1A CN116264388A (zh) 2022-12-26 2022-12-26 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法

Publications (1)

Publication Number Publication Date
CN116264388A true CN116264388A (zh) 2023-06-16

Family

ID=86723863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211677320.1A Pending CN116264388A (zh) 2022-12-26 2022-12-26 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN116264388A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544931A (zh) * 2023-06-27 2023-08-04 北京理工大学 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN116914747A (zh) * 2023-09-06 2023-10-20 国网山西省电力公司营销服务中心 电力用户侧负荷预测方法及系统
CN117526376A (zh) * 2023-10-19 2024-02-06 国网浙江省电力有限公司乐清市供电公司 一种虚拟电厂的光伏发电与储能聚合管理方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544931A (zh) * 2023-06-27 2023-08-04 北京理工大学 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN116544931B (zh) * 2023-06-27 2023-12-01 北京理工大学 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN116914747A (zh) * 2023-09-06 2023-10-20 国网山西省电力公司营销服务中心 电力用户侧负荷预测方法及系统
CN116914747B (zh) * 2023-09-06 2024-01-12 国网山西省电力公司营销服务中心 电力用户侧负荷预测方法及系统
CN117526376A (zh) * 2023-10-19 2024-02-06 国网浙江省电力有限公司乐清市供电公司 一种虚拟电厂的光伏发电与储能聚合管理方法及装置

Similar Documents

Publication Publication Date Title
Zhao et al. Do RNN and LSTM have long memory?
Cui et al. Research on power load forecasting method based on LSTM model
CN116264388A (zh) 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法
CN113239624B (zh) 基于神经网络组合模型的短期负荷预测方法、设备及介质
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN113222279A (zh) 一种考虑需求响应的短期负荷预测方法
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
Fallahpour et al. Nonlinear genetic-based model for supplier selection: a comparative study
CN113642225A (zh) 一种基于attention机制的CNN-LSTM短期风电功率预测方法
Landa-Torres et al. Evaluating the internationalization success of companies through a hybrid grouping harmony search—extreme learning machine approach
CN109919188A (zh) 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法
CN110334879A (zh) 电网母线无功负荷预测方法及装置
Kareem Kamoona et al. Implementation of genetic algorithm integrated with the deep neural network for estimating at completion simulation
Azadeh et al. An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN111340236A (zh) 一种基于债券估值数据与集成机器学习的债券违约预测方法
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
Wu et al. A forecasting model based support vector machine and particle swarm optimization
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN111738483A (zh) 基于聚类和深层信念网络的电网降损优化方法及系统
CN116308482A (zh) 一种基于神经网络模型和Xgboost的订单销量预测方法及装置
CN114638421A (zh) 一种发电机组备件需求的预测方法
Ma et al. Data Driven Scheduling Knowledge Management for Smart Shop Floor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination